到底该选择TensorFlow还是Keras深度学习框架选型指南

到底该选择TensorFlow还是Keras，是深度学习初学者经常纠结的一个问题。数据科学家Aakash Nain比较了TensorFlow和Keras，希望有助于选择合适的框架。

深度学习库/框架流行度（来源：Google）

深度学习无处不在，大量的深度学习库让初学者无所适从。这篇文章重点关注TensorlFlow和Keras两者之间的选择。TensorFlow是最著名的用于深度学习生产环境的框架。它有一个非常大非常棒的社区。然而，TensorFlow的使用不那么简单。另一方面，Keras是在TensorFlow基础上构建的高层API，比TF（TensorFlow的缩写）要易用很多。

既然Keras基于TensorFlow，那么两者有何区别？既然Keras对用户更友好，为什么我还需要使用TF来构建深度学习模型呢？下面一些内容将帮助你做出选择。

快速开发原型

如果你想快速创建、测试一个神经网络，写尽可能少的代码，那么选择Keras。花不了多少分钟，你就能用Keras创建简单或很复杂的神经网络。Model和Sequential API如此强大，基本上能做到你可能想要做的任何事情。让我们看一个例子吧：

model = Sequential()

model.add(Dense(32, activation='relu', input_dim=100))

model.add(Dense(1, activation='sigmoid'))

model.compile(optimizer='rmsprop',

loss='binary_crossentropy',

metrics=['accuracy'])

# 生成虚假数据

import numpy as np

data = np.random.random((1000, 100))

labels = np.random.randint(2, size=(1000, 1))

# 训练模型，迭代数据（每个batch包含32个样本）

model.fit(data, labels, epochs=10, batch_size=32)

收工！！就是这么容易！

没有人不喜欢Pythonic！！

Keras的开发设计注重用户友好，因而某种意义上它更加pythonic。模块化是Keras的另一个优雅的设计指导原则。Keras中的任何东西都可以表示为模块，用户可以根据需要将其进一步组合。

弹性

有时候你不想用现成的东西，想要自己定义一些东西（比如，损失函数、测度、网络层，等等）。

尽管Keras 2的设计让你可以实现几乎所有你想要的东西，但是我们都知道底层的库提供了更多弹性。TF同样如此。相比Keras，TF允许你进行更多调整。

功能性

尽管Keras提供了创建深度学习模型一般所需的所有功能性，它还是不如TF提供得多。相比Keras，TensorFlow提供更多高级操作。当你从事研究或开发特殊种类的深度学习模型时，这一点是十分便利的。下面是一些例子：

线程和队列

队列是一个强大的机制，可以异步地计算图中的张量。类似地，你可以使用多个线程执行同一会话，通过并行运算加速操作。下面是一个在TensorFlow中使用队列和线程的简单例子：

# 创建图，等等。

init_op = tf.global_variables_initializer()

# 创建会话，以运行图中的操作。

sess = tf.Session()

# 初始化变量（比如epoch计数器）

sess.run(init_op)

# 开始输入入队线程。

coord = tf.train.Coordinator()

threads = tf.train.start_queue_runners(sess=sess, coord=coord)

try:

whilenot coord.should_stop():

# 运行训练步骤，等等

sess.run(train_op)

except tf.errors.OutOfRangeError:

print('训练完毕——达到epoch限制')

finally:

# 结束时，请求停止线程

coord.request_stop()

# 等待线程终止。

coord.join(threads)

sess.close()

调试器

TensorFlow有一个专门的调试器，为内部结构和正在运行的TensorFlow图的状态提供了可见性。从调试器获得的洞见可以加速调试训练和推断阶段的多种bug。

TensorFlow调试器截屏（来源：TensorFlow文档）

控制

就我的经验而言，你对神经网络的控制越多，你对神经网络在做什么的理解就更深。TF让你可以更多地控制神经网络。在TF中对权重和梯度进行操作有如神助。

例如，假设你的模型有三个变量，比如w、b、step，你可以选择变量step是否可以训练。你只需写一行代码就可以办到：

step = tf.Variable(1, trainable=False, dtype=tf.int32)

在训练阶段，梯度可以提供大量信息。你想控制梯度？当然可以，看下面的例子：

# 创建优化器

optimizer = GradientDescentOptimizer(learning_rate=0.1)

# 为一组变量计算梯度

grads_and_vars = opt.compute_gradients(loss, )

# grads_and_vars是一个元组的列表(梯度, 变量)。

# 你可以随意对梯度部分进行操作，比如，每项减1.

subtracted_grads_and_vars = [(gv[0] - 1.0, gv[1]) for gv in grads_and_vars]

# 请求优化器应用减一后的梯度。

optimizer.apply_gradients(subtracted_grads_and_vars)

（以上代码样例取自 CS 20SI: TensorFlow for Deep Learning Research）

结论（TL;DR）

除非你正从事研究性质的工作或开发某种特殊种类的神经网络，选择Keras（相信我，我是一个Keras党！！）使用Keras快速构建非常复杂的模型仍然超容易。

如果你想要更精细地控制你的网络，或者想要仔细查看你的网络发生了什么，那么TF是正确的选择（不过有时TF的语法会让你做噩梦的）。不过，现在TF已经集成了Keras，所以更明智的做法是使用tf.contrib.Keras创建你的网络，然后根据需要在你的网络中插入纯TensorFlow。简而言之，

tf.contrib.keras +tf =你所需要的一切